Resume To Tags

Resume-to-Tags — 简历到纯标签矩阵

从简历提取原子标签，构建可搜索、可匹配的人才标签矩阵。

核心设计理念

描述 → 标签：将简历中的描述性内容拆解为标准化原子标签，使人才匹配 = 标签重合度计算。

标签拆解规则

完整工作流

Step 1: 标签提取

从简历文本提取原子标签，输出标准 JSON。

python3 skills/resume-to-tags/scripts/extract_tags.py --text "简历内容..."

或读取文件：

python3 skills/resume-to-tags/scripts/extract_tags.py --file resume.txt

Step 2: 近义词扩展

提取后自动扩充近义词标签，提高匹配覆盖率。近义词映射表见 references/synonyms.json。

Step 3: 创建多维表格

使用飞书工具创建表格结构：

1. 创建应用：feishu_bitable_app (action=create)
2. 重命名默认表：feishu_bitable_app_table (action=patch)
3. 重命名主字段为"姓名"：feishu_bitable_app_table_field (action=update, fldFdaHuOL)
4. 创建 7 个多选标签字段 + 1 个数字字段：

1. 删除默认空白字段（单选 fld21nkFl6、日期 fld8rfpQsc、附件 fld84GszEh）： feishu_bitable_app_table_field (action=delete)

Step 4: 录入候选人

批量插入记录：feishu_bitable_app_table_record (action=batch_create)

MultiSelect 字段的值会自动创建新选项（无需预定义）。

Step 5: 清理空白行列

删除默认空白列：

feishu_bitable_app_table_field: delete fld21nkFl6 (单选)
feishu_bitable_app_table_field: delete fld8rfpQsc (日期)
feishu_bitable_app_table_field: delete fld84GszEh (附件)

标签分类体系

院校标签

985 211 双一流 C9 G5 常春藤 QS前50 QS前100 QS前200 海外 本科 硕士 博士 理工科 社科 商科 在职教育

公司标签

大厂 互联网 OTA 旅游 电商 金融 AI创业 外企 国企 上市公司 独角兽 ToB ToC 本地生活 支付 物流 制造 咨询 教育 医疗 游戏 社交 内容 SaaS

技能标签（含近义词映射）

工具标签

LangChain Dify n8n OpenClaw Pinecone Milvus MySQL Redis Kafka ClickHouse Docker K8S AWS 阿里云 SQL SPSS Stata Pandas Excel CRM OTA平台 AI中台 OCR 猎聘 LinkedIn

领域标签

AI/LLM HR/招聘 BD/销售 产品 技术架构 OTA/旅游 电商 金融 数据分析 咨询 教育 医疗 游戏 社交

语言标签

中文母语 英语工作 英语流利 日语 CET6 托福 雅思

证书标签

初级经济师 PMP CET6 日语N3 日语N2 数学竞赛 英语专八

人才匹配逻辑

给定岗位需求标签集合 R，候选人标签集合 C：

• 匹配度 = |R ∩ C| / |R| × 100%
• 可按匹配度排序推荐候选人

相关文件

• scripts/extract_tags.py — LLM 标签提取脚本
• references/synonyms.json — 近义词映射表（标准标签 → 变体列表）
• references/taxonomy.md — 完整标签分类体系